改进DWT-CNN多电流融合异常检测

异音/故障即时捕捉

融合高频与低频电流特征，结合注意力机制与LSTM时序建模，在电机轴承与定子故障数据集上验证了多电流融合异常检测能力。

梁利华 · Chen, Junjun

Sensors 2024

技术优势

多电流特征融合更强

采用混合注意力机制提取多电流信号特征，并基于权重更新LSTM进行异常检测，能有效捕捉电流信号中的高频与低频信息。

故障检测能力经过验证

在电机轴承真实故障数据集和PMSM定子故障数据集上的实验证明了该方法在融合电流特征和检测异常方面的强大能力。

应用场景

• 电机状态监测：实时融合多路电流信号，捕捉轴承和定子故障的早期异常特征，减少非计划停机。
• 电池管理系统异常检测：借鉴该方法对电流信号的异常检测能力，可迁移用于电池管理系统中的电流异常监测。
• 工业传感器信号融合：提出的DWT-CNN多电流融合架构可推广到其他工业传感器信号的特征提取与异常检测。